文章核心观点 - 具身智能技术正经历从低层感知到高层理解与泛化的快速演进，其核心架构围绕“大脑”（感知与规划）和“小脑”（运动执行）展开，目标是实现机器人在真实世界中的自主智能行为[3] - 技术发展已进入第四阶段，当前的研究热点是融合Vision-Language-Action模型与强化学习、世界模型、触觉感知等模块，以克服现有模型的局限性，推动向通用任务和开放环境智能体时代迈进[9][10] - 技术的成熟正驱动产品在工业、家居、餐饮、医疗康复等多领域落地，并带动了相关岗位的爆发式增长和融资活跃，吸引了大量研究者和从业者转入该领域[10] 技术架构与核心模块 - 具身智能领域主要围绕“大脑”和“小脑”两大模块展开，大脑负责思考感知与任务规划，小脑负责高精度运动执行[3] - 细分技术领域包括仿真、VLA、Diffusion Policy、VLN、世界模型、强化学习等多个子模块[5] - Vision-Language-Action和世界模型是当前在自动驾驶和具身智能领域同时发力的两大技术路线[5] 关键技术演进阶段 - 第一阶段：聚焦于抓取位姿检测，通过点云或图像预测末端执行器姿态，实现静态物体抓取，但策略多为单步决策，缺乏对任务上下文和动作序列的建模[7] - 第二阶段：进入行为克隆阶段，机器人通过专家演示数据学习端到端映射，具备模仿复杂任务的能力，但存在泛化能力弱、误差累积等问题[7] - 第三阶段：2023年兴起的Diffusion Policy通过扩散模型生成整个动作轨迹，提升了策略的稳定性与泛化能力；2024年进入VLA模型阶段，模型融合视觉、语言与动作生成，支持零样本或小样本快速泛化，实现了从“感知+控制”向“感知+推理+行动”的范式跃迁[8] - 第四阶段：2025年以来，业界开始探索VLA模型与强化学习、世界模型、触觉感知等模块的融合，以弥补VLA模型在反馈、未来预测和多模态感知方面的局限[9] 当前研究热点与融合方向 - VLA模型目前主要研究端到端和分层两种方案，并分别基于大模型和扩散技术进行拓展，VLA与强化学习结合的方案正成为探索方向[5] - Diffusion Policy作为动作模块，负责学习具体动作与执行，主要研究方向包括状态扩散、动作空间扩散、三维空间扩散等[6] - VLA与强化学习结合旨在提升机器人在长时任务中的试错与自我改进能力[10] - VLA与世界模型结合引入环境动态预测，使机器人具备“想象未来”的能力，有助于高效规划与决策[10] - VLA与触觉信息融合，推动机器人实现从“看”到“看+触多模态融合”的感知边界拓展，以在复杂非结构化环境下进行更精细安全的操作[10] 其他关键技术领域现状 - 仿真技术：当前较好的方向是sim2real和real2sim2real，许多公司正致力于解决真机泛化差的问题，并已获得行业认可[6] - 视觉语言导航：当下更关注于目标导航，并与移动操作相关联，无地图方案有利于任务泛化[6] 产业发展与人才需求 - 技术发展推动了人形机器人、机械臂、四足机器人等产品在工业、家居、餐饮、医疗康复等多个领域的落地，相关产品和融资络绎不绝[10] - 行业岗位呈现爆发式增长，吸引了大量同学和专业人士从传统计算机视觉或自动驾驶等领域转入具身智能领域[10] - 随着产业界重视，具身智能正从“论文”走向“部署”，对工程与系统能力的需求激增[14]